Funciones de Creación de Tensores
De manera similar a NumPy, PyTorch también ofrece varias funciones integradas para crear tensores directamente. Estas funciones facilitan la inicialización de espacios de datos y la generación de tensores estructurados o personalizados.
Tensor de ceros y unos
Para crear un tensor lleno de ceros, utilice torch.zeros(). Los argumentos representan el tamaño de cada dimensión, y la cantidad de argumentos corresponde al número de dimensiones:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Esto es útil para inicializar sesgos o marcadores de posición donde los valores iniciales se establecen en cero. De manera similar, utilice torch.ones() para crear un tensor lleno de unos:
123import torch tensor = torch.ones(3, 3) print(tensor)
Esto puede ser especialmente útil para inicializar pesos, términos de sesgo o realizar operaciones donde un tensor de unos actúa como elemento neutro o como un multiplicador específico en cálculos matemáticos.
Arange y Linspace
De manera similar a numpy.arange(), torch.arange() genera una secuencia de valores con un tamaño de paso especificado:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Se ha creado correctamente un tensor con valores desde 0 hasta 10 exclusivo con un tamaño de paso igual a 2. Para crear valores equi-espaciados entre un punto inicial y final, se utiliza torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Esto genera un tensor con 5 valores equi-espaciados entre 0 y 1 inclusive.
Tensor a partir de una forma
Se pueden crear tensores con una forma específica utilizando las variantes "like" de las funciones de creación. Estas crean tensores con la misma forma que un tensor existente:
123456import torch x = torch.tensor([[1, 2, 3], [4, 5, 6]]) zeros_tensor = torch.zeros_like(x) ones_tensor = torch.ones_like(x) print(f"Tensor of zeros: {zeros_tensor}") print(f"Tensor of ones: {ones_tensor}")
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 5Funciones de Creación de Tensores
Desliza para mostrar el menú
De manera similar a NumPy, PyTorch también ofrece varias funciones integradas para crear tensores directamente. Estas funciones facilitan la inicialización de espacios de datos y la generación de tensores estructurados o personalizados.
Tensor de ceros y unos
Para crear un tensor lleno de ceros, utilice torch.zeros(). Los argumentos representan el tamaño de cada dimensión, y la cantidad de argumentos corresponde al número de dimensiones:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Esto es útil para inicializar sesgos o marcadores de posición donde los valores iniciales se establecen en cero. De manera similar, utilice torch.ones() para crear un tensor lleno de unos:
123import torch tensor = torch.ones(3, 3) print(tensor)
Esto puede ser especialmente útil para inicializar pesos, términos de sesgo o realizar operaciones donde un tensor de unos actúa como elemento neutro o como un multiplicador específico en cálculos matemáticos.
Arange y Linspace
De manera similar a numpy.arange(), torch.arange() genera una secuencia de valores con un tamaño de paso especificado:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Se ha creado correctamente un tensor con valores desde 0 hasta 10 exclusivo con un tamaño de paso igual a 2. Para crear valores equi-espaciados entre un punto inicial y final, se utiliza torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Esto genera un tensor con 5 valores equi-espaciados entre 0 y 1 inclusive.
Tensor a partir de una forma
Se pueden crear tensores con una forma específica utilizando las variantes "like" de las funciones de creación. Estas crean tensores con la misma forma que un tensor existente:
123456import torch x = torch.tensor([[1, 2, 3], [4, 5, 6]]) zeros_tensor = torch.zeros_like(x) ones_tensor = torch.ones_like(x) print(f"Tensor of zeros: {zeros_tensor}") print(f"Tensor of ones: {ones_tensor}")
¡Gracias por tus comentarios!
